光学内存链接让机器人AI实时更新参数 Cornell突破

时间：2026 年 7 月 26 日 地点：美国纽约（Cornell Tech） 人物：Cornell Tech 博士后研究员 Yifan He、电气与计算机工程副教授 Jae-sun Seo 事件详情：Cornell Tech 团队在 2026 年 IEEE/JSAP VLSI 技术与电路研讨会上公布一种新型光学内存链接接收器设计，能直接将光信号转化为电流调整 AI 模型参数，绕过传统 DRAM 与处理器之间耗能巨大的电连接。实验显示这套光学接收器可在约 1 米距离下接收 LED 发出的类 QR 码光矩阵，将光直接转化为电信号调整芯片内部 DRAM 状态，从而让机器人、自动驾驶汽车等边缘 AI 设备能即时更新模型参数，无需反复访问云端数据中心。 背景：随着 AI 模型参数规模爆炸式增长，传统 DRAM 与处理器之间的电连接已成为 AI 系统的关键瓶颈——数据传输要消耗大量电力，且距离受限。Cornell Tech 的 Jae-sun Seo 教授指出，现行 AI 芯片普遍没有足够容量存下所有模型参数，必须把溢出数据存到外部 DRAM，导致 AI 数据中心、自动驾驶汽车与边缘 AI 机器人都面临"内存墙"难题。光链路虽然比金属线带宽更高、能耗更低，但现有光接收器需要耗电的模拟电路把光转换为电子比特，反而抵消了部分优势。 影响： - 让边缘 AI 设备（机器人、自动驾驶）能即时更新模型参数，从底层突破"内存墙"对 AI 部署的束缚 - 在数据中心层面，AI 推理与训练能耗结构有望重塑，AI 数据中心电力效率显著提升 - 与 NVIDIA 硅光互联、英特尔 OCI 收发器等 VLSI 2026 同期方案形成互补，硅光产业链进入加速期 - 印证 Cornell 团队认为"AI 时代内存是战略资产"的判断，美光等内存厂商在人形机器人端将迎来新增长引擎 总结：Cornell Tech 的光学内存链接设计把光通信从"机柜间传输"推到"芯片参数层更新"，为边缘 AI 与机器人领域的内存瓶颈提供了一条全新的物理路径。这一思路若与 NVIDIA、英特尔等正在推进的硅光互联方案结合，将形成从芯片到数据中心的全栈光互联，让 AI 系统摆脱"内存墙"的束缚，实现真正的低功耗、低延迟、即时参数更新能力。 参考来源： - https://spectrum.ieee.org/ai-in-robotics - https://cloud.tencent.com/developer/article/2698001 - https://cloud.tencent.com/developer/article/2698004 - https://so.html5.qq.com/page/real/search_news?docid=70000021_3556a3c6e3792452 - https://so.html5.qq.com/page/real/search_news?docid=70000021_9876a41412412765